Nasazení webové služby Machine Learning Studio (Classic)

PLATÍ PRO: Machine Learning Studio (Classic) Azure Machine Learning

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

• Přečtěte si informace o přesunu projektů strojového učení ze sady ML Studio (classic) do služby Azure Machine Learning.
• Další informace o službě Azure Machine Learning

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Machine Learning Studio (classic) umožňuje sestavovat a testovat prediktivní analytické řešení. Pak můžete řešení nasadit jako webovou službu.

Webové služby Machine Learning Studio (klasické) poskytují rozhraní mezi aplikací a modelem vyhodnocování pracovních postupů Machine Learning Studia (classic). Externí aplikace může v reálném čase komunikovat s modelem vyhodnocování pracovního postupu Machine Learning Studia (classic). Volání webové služby Machine Learning Studio (klasické) vrátí výsledky předpovědi externí aplikaci. Webovou službu můžete volat předáním klíče rozhraní API, který se vytvořil při nasazení této webové služby. Webová služba Machine Learning Studio (classic) je založená na architektuře REST, oblíbené architektuře pro projekty webového programování.

Machine Learning Studio (classic) má dva typy webových služeb:

• Služba RRS (Request-Response Service): Služba s nízkou latencí a vysoce škálovatelnou službou, která vyhodnocí jeden datový záznam.
• Služba Batch Execution Service (BES): Asynchronní služba, která vyhodnocí dávku datových záznamů.

Vstup pro BES je podobný datové vstupu, který využívá RRS. Hlavním rozdílem je to, že BES čte blok záznamů z několika různých zdrojů, jako je třeba Azure Blob Storage, Azure Table Storage, Azure SQL Database, HDInsight (dotaz Hive) a zdroje HTTP.

Z pohledu vysoké úrovně nasadíte model ve třech krocích:

• Vytvořte trénovací experiment – v sadě Studio (classic) můžete trénovat a testovat model prediktivní analýzy pomocí trénovacích dat, která zadáte, pomocí velké sady předdefinovaných algoritmů strojového učení.
• Převeďte ho na prediktivní experiment – jakmile je model natrénovaný s existujícími daty a jste připraveni ho použít k určení skóre nových dat, připravíte a zefektivníte experiment pro předpovědi.
• Nasaďte ho jako novou webovou službu nebo klasickou webovou službu – když nasadíte prediktivní experiment jako webovou službu Azure, můžou uživatelé odesílat data do modelu a přijímat předpovědi modelu.

Vytvoření trénovacího experimentu

K trénování modelu prediktivní analýzy použijete Azure Machine Learning Studio (classic) k vytvoření trénovacího experimentu, ve kterém zahrnete různé moduly pro načtení trénovacích dat, připravíte data podle potřeby, použijete algoritmy strojového učení a vyhodnotíte výsledky. Můžete iterovat experiment a vyzkoušet různé algoritmy strojového učení k porovnání a vyhodnocení výsledků.

Proces vytváření a správy trénovacích experimentů se podrobněji zabývá jinde. Další informace naleznete v těchto článcích:

• Vytvoření jednoduchého experimentu v nástroji Machine Learning Studio (classic)
• Vývoj prediktivního řešení pomocí nástroje Machine Learning Studio (classic)
• Import trénovacích dat do nástroje Machine Learning Studio (classic)
• Správa iterací experimentů v nástroji Machine Learning Studio (classic)

Převod trénovacího experimentu na prediktivní experiment

Jakmile model vytrénujete, můžete svůj trénovací experiment převést na prediktivní experiment, který bude ohodnotit nová data.

Když převedete na prediktivní experiment, připravíte trénovaný model k nasazení jako bodovací webovou službu. Uživatelé webové služby můžou do modelu odesílat vstupní data a váš model bude odesílat výsledky predikce. Při převodu na prediktivní experiment mějte na paměti, jak očekáváte, že váš model budou používat ostatní.

Proces převodu trénovacího experimentu na prediktivní experiment zahrnuje tři kroky:

1. Nahraďte moduly algoritmů strojového učení trénovaným modelem.
2. Oříznout experiment jenom na ty moduly, které jsou potřeba pro vyhodnocování. Trénovací experiment obsahuje řadu modulů, které jsou nezbytné pro trénování, ale nejsou potřeba po natrénování modelu.
3. Definujte, jak bude model přijímat data od uživatele webové služby a jaká data budou vrácena.

Tip

V experimentu s trénováním jste se zabývali trénováním a vyhodnocováním modelu pomocí vlastních dat. Po nasazení ale uživatelé posílají do modelu nová data a vrátí výsledky predikce. Při převodu trénovacího experimentu na prediktivní experiment, abyste ho připravili na nasazení, mějte na paměti, jak bude model používat ostatní.

Tlačítko Nastavit webovou službu

Po spuštění experimentu (klikněte na spustit v dolní části plátna experimentu), klikněte na tlačítko Nastavit webovou službu (vyberte možnost Prediktivní webová služba ). Nastavení webové služby provádí tři kroky převodu trénovacího experimentu na prediktivní experiment:

1. Uloží trénovaný model v části Trénované modely palety modulů (vlevo od plátna experimentu). Potom nahradí algoritmus strojového učení a moduly trénování modelu uloženým vytrénovaným modelem.
2. Analyzuje experiment a odebere moduly, které byly jasně používány pouze pro trénování a které už nepotřebujete.
3. Vloží vstupní a výstupní moduly webové služby do výchozích umístění v experimentu (tyto moduly přijímají a vracejí uživatelská data).

Například následující experiment trénuje model rozhodovacího stromu se dvěma třídami s využitím ukázkových dat sčítání lidu:

Moduly v tomto experimentu provádějí v podstatě čtyři různé funkce:

Když tento trénovací experiment převedete na prediktivní experiment, některé z těchto modulů už nejsou potřeba nebo teď slouží jinému účelu:

• Data – Data v této ukázkové datové sadě se během bodování nepoužívají – uživatel webové služby poskytne data, která mají být vyhodnocena. Vytrénovaný model ale používá metadata z této datové sady, jako jsou datové typy. Proto je potřeba datovou sadu ponechat v prediktivním experimentu, aby mohla poskytnout tato metadata.

• Příprava – V závislosti na datech uživatelů, která budou odeslána k bodování, mohou nebo nemusí být tyto moduly nezbytné ke zpracování příchozích dat. Tlačítko Nastavit webovou službu se na ně nedotkne – musíte se rozhodnout, jak je chcete zpracovat.

  Například v tomto příkladu může ukázková datová sada obsahovat chybějící hodnoty, takže modul Vyčistit chybějící data byl součástí jejich řešení. Ukázková datová sada obsahuje také sloupce, které nejsou potřeba k trénování modelu. Modul Select Columns in Dataset (Vybrat sloupce v datové sadě) proto zahrnoval vyloučení těchto nadbytečných sloupců z toku dat. Pokud víte, že data odesílaná k bodování prostřednictvím webové služby nebudou obsahovat chybějící hodnoty, můžete modul Vyčistit chybějící data odebrat. Protože ale modul Select Columns in Dataset (Vybrat sloupce v datové sadě ) pomáhá definovat sloupce dat, které trénovaný model očekává, musí tento modul zůstat.

• Trénování – tyto moduly slouží k trénování modelu. Když kliknete na Nastavit webovou službu, nahradí se tyto moduly jedním modulem, který obsahuje model, který jste natrénovali. Tento nový modul se uloží v části Trénované modely palety modulů.

• Skóre – V tomto příkladu se modul Split Data používá k rozdělení datového proudu na testovací data a trénovací data. V prediktivním experimentu už trénujeme, takže rozdělení dat je možné odebrat. Podobně se k porovnání výsledků z testovacích dat používá druhý modul Určení skóre modelu a modul Vyhodnotit model , takže tyto moduly nejsou potřeba v prediktivním experimentu. Zbývající modul Score Model je však potřeba k vrácení výsledku skóre prostřednictvím webové služby.

Tady je postup, jak náš příklad vypadá po kliknutí na Nastavit webovou službu:

Práce provedená nastavením webové služby může stačit k přípravě experimentu na nasazení jako webové služby. Možná ale budete chtít udělat další práci specifickou pro váš experiment.

Úprava vstupních a výstupních modulů

V trénovacím experimentu jste použili sadu trénovacích dat a pak jste provedli určité zpracování, abyste získali data ve formě, kterou potřeboval algoritmus strojového učení. Pokud data, která očekáváte přijímat prostřednictvím webové služby, nebudou toto zpracování potřebovat, můžete ho obejít: připojit výstup vstupního modulu webové služby k jinému modulu experimentu. Data uživatele teď přijdou do modelu v tomto umístění.

Například ve výchozím nastavení Nastaví webovou službu umístí vstupní modul webové služby do horní části toku dat, jak je znázorněno na obrázku výše. Vstup webové služby ale můžeme umístit ručně za moduly zpracování dat:

Vstupní data poskytovaná prostřednictvím webové služby se teď předávají přímo do modulu Určení skóre modelu bez předběžného zpracování.

Podobně ve výchozím nastavení nastaví webová služba výstupní modul webové služby do dolní části toku dat. V tomto příkladu se webová služba vrátí uživateli na výstup modulu Určení skóre modelu , který zahrnuje kompletní vstupní datový vektor a výsledky vyhodnocování. Pokud ale chcete vrátit něco jiného, můžete před výstupní modul webové služby přidat další moduly.

Pokud chcete například vrátit pouze výsledky bodování a ne celý vektor vstupních dat, přidejte modul Select Columns in Dataset (Vybrat sloupce v datové sadě ), abyste vyloučili všechny sloupce kromě výsledků vyhodnocování. Potom přesuňte výstupní modul webové služby do výstupu modulu Vybrat sloupce v datové sadě . Experiment vypadá takto:

Přidání nebo odebrání dalších modulů pro zpracování dat

Pokud ve vašem experimentu existuje více modulů, o kterých víte, že během bodování nebude potřeba, můžete je odebrat. Například proto, že jsme přesunuli vstupní modul webové služby do bodu po modulech zpracování dat, můžeme z prediktivního experimentu odebrat modul Vyčistit chybějící data .

Náš prediktivní experiment teď vypadá takto:

Přidání volitelných parametrů webové služby

V některých případech můžete chtít uživateli webové služby povolit, aby při přístupu ke službě změnil chování modulů. Parametry webové služby vám to umožňují.

Běžným příkladem je nastavení modulu importu dat , aby uživatel nasazené webové služby mohl při přístupu k webové službě zadat jiný zdroj dat. Nebo nakonfigurujete modul exportu dat tak, aby bylo možné zadat jiný cíl.

Můžete definovat parametry webové služby a přidružit je k jednomu nebo více parametrům modulu a můžete určit, jestli jsou povinné nebo volitelné. Uživatel webové služby poskytuje hodnoty pro tyto parametry při přístupu ke službě a akce modulu se odpovídajícím způsobem upraví.

Další informace o parametrech webové služby a jejich použití najdete v tématu Použití parametrů webové služby Machine Learning.

Následující kroky popisují nasazení prediktivního experimentu jako nové webové služby. Experiment můžete nasadit také jako klasickou webovou službu.

Nasazení jako nové webové služby

Teď, když je prediktivní experiment připravený, můžete ho nasadit jako novou webovou službu Azure (založenou na Resource Manageru). Pomocí webové služby můžou uživatelé posílat data do modelu a model vrátí své předpovědi.

Pokud chcete nasadit prediktivní experiment, klikněte na Spustit v dolní části plátna experimentu. Po dokončení experimentu klikněte na Nasadit webovou službu a vyberte Nasadit webovou službu Nová. Otevře se stránka nasazení portálu webové služby Machine Learning Studio (Classic).

Poznámka:

Pokud chcete nasadit novou webovou službu, musíte mít dostatečná oprávnění v předplatném, do kterého webovou službu nasazujete. Další informace najdete v tématu Správa webové služby pomocí portálu služby Machine Learning Web Services.

Stránka nasazení experimentu na portálu webové služby

Na stránce Nasadit experiment zadejte název webové služby. Vyberte cenový plán. Pokud máte existující cenový plán, můžete ho vybrat, jinak musíte pro službu vytvořit nový cenový plán.

1. V rozevíracím seznamu Cenový plán vyberte existující plán nebo vyberte možnost Vybrat nový plán .
2. Do pole Název plánu zadejte název, který bude identifikovat plán na faktuře.
3. Vyberte jednu z úrovní měsíčního plánu. Úrovně plánů jsou výchozí pro plány vaší výchozí oblasti a vaše webová služba se nasadí do této oblasti.

Klikněte na Nasadit a otevře se stránka Rychlý start pro vaši webovou službu.

Stránka Rychlý start webové služby poskytuje přístup a pokyny k nejběžnějším úlohám, které provedete po vytvoření webové služby. Odtud můžete snadno získat přístup ke stránce Test i ke stránce Využití.

Otestování nové webové služby

Chcete-li otestovat novou webovou službu, klikněte na testovací webovou službu v rámci běžných úloh. Na stránce Test můžete webovou službu otestovat jako službu RRS (Request-Response Service) nebo službu Dávkového spouštění (BES).

Na stránce testu RRS se zobrazí vstupy, výstupy a všechny globální parametry, které jste definovali pro experiment. Chcete-li otestovat webovou službu, můžete ručně zadat odpovídající hodnoty pro vstupy nebo zadat čárkami oddělený soubor (CSV) formátovaný soubor obsahující testovací hodnoty.

Pokud chcete testovat pomocí RRS, v režimu zobrazení seznamu zadejte odpovídající hodnoty pro vstupy a klikněte na test request-Response. Výsledky předpovědi se zobrazí ve výstupním sloupci vlevo.

Pokud chcete otestovat BES, klikněte na Batch. Na stránce Dávkového testu klikněte na Procházet pod vaším vstupem a vyberte soubor CSV obsahující odpovídající ukázkové hodnoty. Pokud nemáte soubor CSV a vytvořili jste prediktivní experiment pomocí nástroje Machine Learning Studio (classic), můžete si stáhnout sadu dat pro prediktivní experiment a použít ho.

Pokud chcete stáhnout sadu dat, otevřete Machine Learning Studio (Classic). Otevřete prediktivní experiment a klikněte pravým tlačítkem myši na vstup experimentu. V místní nabídce vyberte datovou sadu a pak vyberte Stáhnout.

Klepněte na možnost Test. Stav úlohy dávkového provádění se zobrazí napravo pod testovacími dávkovými úlohami.

Na stránce KONFIGURACE můžete změnit popis, název, aktualizovat klíč účtu úložiště a povolit ukázková data pro webovou službu.

Přístup k nové webové službě

Po nasazení webové služby ze sady Machine Learning Studio (classic) můžete odesílat data do služby a přijímat odpovědi prostřednictvím kódu programu.

Na stránce Využívání najdete všechny informace, které potřebujete pro přístup k webové službě. Například klíč rozhraní API je k dispozici, aby byl povolený autorizovaný přístup ke službě.

Další informace o přístupu k webové službě Machine Learning Studio (Classic) najdete v tématu Jak využívat webovou službu Machine Learning Studio (classic).

Správa nové webové služby

Nové webové služby můžete spravovat pomocí portálu webových služeb Machine Learning Studio (classic). Na hlavní stránce portálu klikněte na Webové služby. Na stránce webových služeb můžete službu odstranit nebo zkopírovat. Chcete-li monitorovat konkrétní službu, klikněte na službu a potom klikněte na řídicí panel. Chcete-li monitorovat dávkové úlohy přidružené k webové službě, klikněte na položku Protokol žádosti batch.

Nasazení nové webové služby do několika oblastí

Novou webovou službu můžete snadno nasadit do více oblastí, aniž byste potřebovali více předplatných nebo pracovních prostorů.

Ceny jsou specifické pro jednotlivé oblasti, takže je potřeba definovat fakturační plán pro každou oblast, ve které nasadíte webovou službu.

Vytvoření plánu v jiné oblasti

1. Přihlaste se k webovým službám Machine Learning.
2. Klikněte na možnost nabídky Plány .
3. Na stránce Plány nad zobrazením klikněte na Tlačítko Nový.
4. V rozevíracím seznamu Předplatné vyberte předplatné, ve kterém se bude nový plán nacházet.
5. V rozevíracím seznamu Oblast vyberte oblast pro nový plán. Možnosti plánu pro vybranou oblast se zobrazí v části Možnosti plánu na stránce.
6. V rozevíracím seznamu Skupina prostředků vyberte skupinu prostředků pro plán. Další informace o skupinách prostředků najdete v přehledu Azure Resource Manageru.
7. Do pole Název plánu zadejte název plánu.
8. V části Možnosti plánu klikněte na úroveň fakturace nového plánu.
9. Klikněte na Vytvořit.

Nasazení webové služby do jiné oblasti

1. Na stránce Webové služby Machine Learning klikněte na možnost nabídky Webové služby .
2. Vyberte webovou službu, kterou nasazujete do nové oblasti.
3. Klikněte na Kopírovat.
4. Do pole Název webové služby zadejte nový název webové služby.
5. Do popisu webové služby zadejte popis webové služby.
6. V rozevíracím seznamu Předplatné vyberte předplatné, ve kterém se bude nová webová služba nacházet.
7. V rozevíracím seznamu Skupina prostředků vyberte skupinu prostředků pro webovou službu. Další informace o skupinách prostředků najdete v přehledu Azure Resource Manageru.
8. V rozevíracím seznamu Oblast vyberte oblast, ve které chcete webovou službu nasadit.
9. V rozevíracím seznamu Účet úložiště vyberte účet úložiště, do kterého chcete webovou službu uložit.
10. V rozevíracím seznamu Cenový plán vyberte plán v oblasti, kterou jste vybrali v kroku 8.
11. Klikněte na Kopírovat.

Nasazení jako klasické webové služby

Teď, když je prediktivní experiment dostatečně připravený, můžete ho nasadit jako webovou službu Azure Classic. Pomocí webové služby můžou uživatelé posílat data do modelu a model vrátí své předpovědi.

Pokud chcete nasadit prediktivní experiment, klikněte na Spustit v dolní části plátna experimentu a potom klikněte na Nasadit webovou službu. Webová služba je nastavená a nacházíte se na řídicím panelu webové služby.

Testování klasické webové služby

Webovou službu můžete otestovat na portálu webových služeb Machine Learning Studio (classic) nebo v nástroji Machine Learning Studio (classic).

Chcete-li otestovat webovou službu Odpovědi na žádost, klikněte na tlačítko Test na řídicím panelu webové služby. Zobrazí se dialogové okno s žádostí o vstupní data pro službu. Jedná se o sloupce očekávané při vyhodnocování experimentu. Zadejte sadu dat a klikněte na tlačítko OK. Výsledky vygenerované webovou službou se zobrazí v dolní části řídicího panelu.

Kliknutím na odkaz Náhled testu můžete otestovat službu na portálu Machine Learning Studio (klasické) webové služby, jak je znázorněno dříve v části Nová webová služba.

Chcete-li otestovat službu Batch Execution Service, klepněte na tlačítko Test náhled odkazu . Na stránce Dávkového testu klikněte na Procházet pod vaším vstupem a vyberte soubor CSV obsahující odpovídající ukázkové hodnoty. Pokud nemáte soubor CSV a vytvořili jste prediktivní experiment pomocí nástroje Machine Learning Studio (classic), můžete si stáhnout sadu dat pro prediktivní experiment a použít ho.

Na stránce KONFIGURACE můžete změnit zobrazovaný název služby a zadat jeho popis. Název a popis se zobrazí na webu Azure Portal , kde spravujete webové služby.

Můžete zadat popis vstupních dat, výstupních dat a parametrů webové služby zadáním řetězce pro každý sloupec v části INPUT SCHEMA, OUTPUT SCHEMA a Web SERVICE PARAMETER. Tyto popisy se používají v dokumentaci vzorového kódu, která je k dispozici pro webovou službu.

Protokolování můžete povolit k diagnostice všech selhání, která se vám zobrazují při přístupu k webové službě. Další informace najdete v tématu Povolení protokolování pro webové služby Machine Learning Studio (klasické).

Koncové body pro webovou službu můžete nakonfigurovat také na portálu služby Machine Learning Web Services podobně jako v předchozí části Nová webová služba. Možnosti jsou odlišné, můžete přidat nebo změnit popis služby, povolit protokolování a povolit ukázková data pro testování.

Přístup ke klasické webové službě

Po nasazení webové služby ze sady Machine Learning Studio (classic) můžete odesílat data do služby a přijímat odpovědi prostřednictvím kódu programu.

Řídicí panel poskytuje všechny informace, které potřebujete pro přístup k webové službě. Například klíč rozhraní API se poskytuje tak, aby umožňoval autorizovaný přístup ke službě a stránky nápovědy rozhraní API vám pomůžou začít psát kód.

Další informace o přístupu k webové službě Machine Learning Studio (Classic) najdete v tématu Jak využívat webovou službu Machine Learning Studio (classic).

Správa klasické webové služby

K monitorování webové služby můžete použít různé akce. Můžete ho aktualizovat a odstranit. Kromě výchozího koncového bodu, který se vytvoří při nasazení, můžete do klasické webové služby přidat i další koncové body.

Další informace najdete v tématu Správa pracovního prostoru Machine Learning Studio (classic) a správa webové služby pomocí portálu Webové služby Machine Learning Studio (Classic).

Aktualizace webové služby

Ve webové službě můžete provádět změny, například aktualizovat model dalšími trénovacími daty a znovu ho nasadit a přepíšete původní webovou službu.

Pokud chcete webovou službu aktualizovat, otevřete původní prediktivní experiment, který jste použili k nasazení webové služby, a vytvořte upravitelnou kopii kliknutím na ULOŽIT JAKO. Proveďte změny a klikněte na nasadit webovou službu.

Vzhledem k tomu, že jste tento experiment nasadili dříve, zobrazí se dotaz, jestli chcete přepsat (klasická webová služba) nebo aktualizovat stávající službu (nová webová služba). Kliknutím na ano nebo aktualizovat zastavíte stávající webovou službu a nasadíte nový prediktivní experiment na svém místě.

Poznámka:

Pokud jste v původní webové službě provedli změny konfigurace, například zadáním nového zobrazovaného názvu nebo popisu, budete muset tyto hodnoty znovu zadat.

Jednou z možností aktualizace webové služby je programově přetrénovat model. Další informace naleznete v tématu Programové přetrénování modelů Machine Learning Studio (classic).

Další kroky

• Další technické podrobnosti o tom, jak funguje nasazení, najdete v tématu Postup modelu Machine Learning Studio (classic) z experimentu na zprovozněnou webovou službu.

• Podrobnosti o tom, jak připravit model na nasazení, najdete v tématu Příprava modelu na nasazení v nástroji Machine Learning Studio (Classic).

• Existuje několik způsobů, jak využít REST API a komunikovat s webovou službou. Podívejte se, jak využívat webovou službu Machine Learning Studio (classic).